UniVR: Thinking in Visual Space for Unified Visual Reasoning

Resumen Técnico: UniVR – Pensar en el Espacio Visual para un Razonamiento Visual Unificado

1. Planteamiento del Problema

Los modelos actuales de inteligencia artificial adquieren predominantemente el conocimiento del mundo y realizan el razonamiento dentro de un espacio textual. Si bien los Modelos Multimodales Grandes (LLMs) y los modelos generativos han avanzado significamente, dependen del texto como una representación abstracta del mundo. Esta abstracción no logra capturar plenamente la información rica y continua del mundo visual real, como la dinámica física compleja, las relaciones espaciales detalladas y las leyes físicas subyacentes.

Los enfoques existentes para el razonamiento visual enfrentan dos limitaciones primarias:

1. Razonamiento Limitado al Texto: Modelos como Gemini-3 o GPT-5 generan cadenas de razonamiento textual (Cadena de Pensamiento o Chain-of-Thought) que luego se convierten en trazas visuales mediante modelos generativos. Este paradigma lucha por mantener la coherencia lógica y la consistencia física en tareas de largo horizonte porque las abstracciones textuales no pueden transferir fluidamente la competencia de razonamiento al dominio visual.
2. Dependencia de la Supervisión Densa: Los modelos de generación unificada y las estrategias de generación de video dependen fuertemente de pares imagen-texto densos y de la guía de texto para el entrenamiento y la inferencia. Esta dependencia restringe el escalado del razonamiento visual y limita la capacidad del modelo para aprender directamente de datos visuales brutos sin mediación lingüística.

La interrogante central de este trabajo es: ¿Cómo pueden los modelos utilizar datos visuales brutos para potenciar sus capacidades de razonamiento visual a través de diversas tareas sin depender de una supervisión de texto densa?

2. Metodología

Arquitectura UniVR
UniVR es un marco de predicción de siguiente token unificado diseñado para razonar y planificar directamente dentro del espacio visual. Adopta un modelo de generación autoregresiva (específicamente Emu3.5 como base) que tokeniza imágenes, texto y video en un vocabulario discreto unificado. El marco opera mediante un flujo de entrenamiento de dos etapas:

1. Inicialización en Frío (Cold Initialization): Ajuste Fino Supervisado (SFT) en un conjunto de datos curado de diversas tareas visuales (imagen de consulta, instrucción, trayectoria de razonamiento visual) para estandarizar el formato de entrada y proporcionar prioridades de razonamiento visual.
2. Aprendizaje por Refuerzo (RL): Se aplica un nuevo paradigma de RL llamado VR-GRPO (Visual Reasoning Group Relative Policy Optimization) para refinar las capacidades de razonamiento del modelo.

VR-GRPO: La Innovación Central
VR-GRPO está diseñado para optimizar la coherencia lógica y la consistencia física sin requerir heurísticas específicas de la tarea o pares imagen-texto. Introduce un mecanismo de recompensa dual:

• Recompensa Global ($R_g$): Una evaluación holística de la secuencia generada respecto a la completitud de la tarea y la calidad visual, proporcionada por un evaluador de Modelo de Lenguaje-Visión (VLM).
• Recompensa Focalizada en Pasos ($R_s$): Un componente novedoso que aborda la limitación de las recompensas globales, las cuales a menudo pasan por alto violaciones físicas intermedias o brechas lógicas en secuencias largas.
  • Mecanismo: El sistema calcula la varianza inter-trayectoria utilizando codificadores de imagen CLIP para identificar los pasos de tiempo con máxima incertidumbre (donde las rutas de razonamiento divergen).
  • Objetivo: Extrae un subsegmento específico alrededor de estos pasos de alta varianza y solicita al VLM realizar una comparación por pares para evaluar las leyes físicas y la progresión de la trayectoria.
  • Integración: La recompensa de razonamiento final se calcula como $R_{reason} = R_g - \lambda|R_g - R_s|$. Esta formulación penaliza al modelo si logra un estado final bueno ($R_g$) pero falla en mantener la integridad procedimental en subpasos críticos ($R_s$), evitando efectivamente los "atajos de razonamiento".

Benchmark VR-X
Para entrenar y evaluar UniVR, los autores construyeron VR-X, el primer benchmark a gran escala para el razonamiento visual diverso. Comprende 1.5M de muestras brutas de 16 fuentes, curadas en 310k muestras de entrenamiento de inicio en frío, 3k muestras de RL y 1.8k muestras de evaluación de benchmark. El benchmark cubre:

• Planificación a Largo Plazo: Tareas de escala de minutos que involucran dinámicas finas (por ejemplo, atar nudos, doblar ropa, manipulación robótica, cocinar).
• Razonamiento Visual General: Habilidades cognitivas que incluyen búsqueda visual, acertijos, percepción espacial y edición.
• Métricas de Evaluación:
  • Puntuación VLM: Evaluación automatizada de la completitud de la tarea, coherencia procedimental y fidelidad de la imagen.
  • Similitud JEPA: Una métrica que utiliza codificadores V-JEPA para medir la alineación con las dinámicas físicas del mundo real, abordando los problemas de alucinación de los evaluadores dependientes de texto.

3. Resultados Clave

Desempeño en VR-X
UniVR demuestra mejoras significativas sobre las líneas base de vanguardia en el benchmark VR-X:

• Desempeño General: UniVR logra una mejora del 25.2% sobre el modelo base Emu3.5 y una mejora del 20.9% en tareas de planificación a largo plazo.
• Comparación con Pipelines: A pesar de tener solo 34B de parámetros, UniVR se acerca al desempeño del pipeline Gemini 3 Pro + Nano Banana 2 y supera a Gemini 3 en tareas de manipulación de largo horizonte.
• Consistencia Física: UniVR logra una puntuación JEPA significativamente menor (indicando una mejor alineación con las leyes físicas) en comparación con los MLLM basados en texto y los modelos de generación unificada, que a menudo exhiben grandes divergencias en la distribución de características respecto a la verdad de campo (ground truth).

Generalización al Entendimiento Multimodal
El artículo reporta que mejorar el razonamiento visual mediante UniVR también potencia el desempeño en benchmarks estándar de entendimiento multimodal (MMMU, MME, MMBench, MathVista, MM-Vet).

• UniVR muestra ganancias en las seis métricas evaluadas en comparación con el Emu3.5 base, lo que sugiere que el razonamiento visual nativo sirve como un poderoso complemento a la supervisión textual.
• El entrenamiento basado únicamente en cadenas de razonamiento textual derivadas de VR-X produjo ganancias insignificantes, reforzando la necesidad del entrenamiento en el espacio visual.

Estudios de Ablación

• Diseño de Recompensa: La combinación de recompensas globales y focalizadas en pasos produce efectos sinérgicos. El uso de solo recompensas globales llevó a la degradación en la planificación a largo plazo (atajo de recompensa o reward hacking), mientras que las recompensas focalizadas en pasos por sí solas mejoraron todas las métricas.
• Entrenamiento Conjunto: VR-GRPO permite al modelo aprender con éxito tareas heterogéneas (planificación a largo plazo frente a razonamiento general) de forma conjunta, mientras que los modelos de inicio en frío luchan por equilibrar estos dominios de conocimiento tan dispares.
• Compatibilidad: VR-GRPO es compatible con los métodos de RL basados en texto existentes y con las recompensas estéticas (por ejemplo, HPSv3), aunque la recompensa de razonamiento visual es el principal motor del desempeño.

4. Significación y Reivindicaciones

El artículo afirma que UniVR representa un cambio fundamental en cómo los modelos de IA adquieren el conocimiento del mundo:

1. Razonamiento Visual Libre de Lenguaje: Es la primera investigación que aprende simultáneamente razonamiento complejo, dinámicas físicas finas y planificación a largo plazo a partir de demostraciones puramente visuales sin depender de pares imagen-texto densos o reglas específicas de la tarea.
2. Modelado de Mundo Intrínseco: Los resultados subrayan que los datos visuales brutos por sí solos pueden soportar un aprendizaje de políticas sofisticado y de largo horizonte, desafiando la nocza de que el texto es un intermediario necesario para el razonamiento complejo.
3. Capacidad Unificada: El marco unifica con éxito tareas heterogéneas (desde manipulación robótica hasta acertijos espaciales) bajo un único protocolo visual, superando las limitaciones de modelos previos que estaban confinados a dinámicas de corto horizonte o entornos de una sola tarea.
4. Impacto Más Amplio: Los hallazgos sugieren que fortalecer el razonamiento visual confiere beneficios más amplios al entendimiento multimodal, posicionando la computación nativa de visión como un complemento vital de la abstracción textual para construir modelos de mundo más fundamentados y eficientes.

Los autores enfatizan que todo el código, los datos (VR-X) y los modelos son de código abierto para facilitar la investigación futura en este dominio.